快訊 | Facebook開源物體識別工具Detectron，加速計算機視覺研究

07-23

大數據文摘作品

作者：龍牧雪馮曉麗

1月22日，Facebook的人工智慧實驗室（FAIR）開源了計算機視覺研究平台Detectron。Detectron系統實現了最先進的物體檢測演算法，包括Mask R-CNN。它是用Python編寫的，支持Caffe2深度學習框架。

就在2天前，紐約大學教授Yann LeCun剛剛宣布卸任Facebook人工智慧實驗室（FAIR）主任，並擔任AI首席科學家。

??《業界丨Yann LeCun卸任Facebook AI實驗室主任，稱將回歸科研》

在一些「搞事情」媒體各種「Facebook變天、LeCun連降兩級」的報道之下，昨天，Yann LeCun又發了一個「澄清帖」，說明Jerome Pesenti所擔任的AI副總裁是一個新職位，並不是來取代LeCun的AI實驗室主任地位的，這一組織結構的變化在幾個月前就已經發生。這一職位變動也從人員架構上說明了Facebook高層對AI的重視程度在提升。

正如Yann LeCun所言，Facebook人工智慧實驗室發展勢頭正猛。

近日，Facebook的人工智慧實驗室（FAIR）開源了計算機視覺研究平台Detectron。Detectron系統實現了最先進的物體檢測演算法，包括Mask R-CNN。它是用Python編寫的，支持Caffe2深度學習框架。

不久前，FAIR才開源了語音識別的工具wav2letter，戳這裡看大數據文摘介紹《快訊 | Facebook開源語音識別工具包wav2letter》。

這一系列工具的開源，將使更多研究人員能使用到Facebook的平台，進一步擴大Facebook人工智慧實驗室的影響力。

針對Detectron的開源，研究員Ross Girshick發表了一篇博客，具體介紹了該開源平台的性能。大數據文摘特摘錄如下：

Mask R-CNN 輸出的範例

Detectron 項目於2016年7月啟動，旨在創建一個基於 Caffe2 的快速、靈活的物體檢測系統。經過一年半的發展，Detectron 的代碼庫已趨於成熟，並支持了很多內部項目，比如：Mask R-CNN和Focal Loss for Dense Object Detection（ICCV 2017 - Marr獎項和最佳學生論文獲獎項目）。

Detectron 支持的演算法為計算機視覺關鍵任務（比如實例分割）提供了直觀的模型，並在近年來社會上取得的視覺感知系統的巨大成果中發揮了關鍵作用。

除了研究，Facebook 許多團隊使用 Detectron 平台來訓練各種模型，模型可以部署在雲端和移動設備上，應用在增強現實等領域。

我們希望通過開源Detectron平台，讓我們的研究儘可能開放，並加速全球實驗室的研究。隨著其發布，研究人員能使用FAIR人員每天使用的同一軟體平台，重現我們的研究結果。

Detectron介紹

Detectron的目標是為物體檢測研究提供高質量、高性能的代碼庫。它旨在靈活、快速地實施和評估新穎的研究內容。 Detectron包括以下物體檢測演算法的實現：

Mask R-CNN

RetinaNet

Faster R-CNN

RPN

Fast R-CNN

R-FCN

使用以下主幹網路體系結構：

ResNeXt{50,101,152}

ResNet{50,101,152}

Feature Pyramid Networks(用 ResNet/ResNeXt)

VGG16

所有代碼均已發布至GitHub，大家可以到這裡下載：

https://github.com/facebookresearch/Detectron

素材來源：